بوت‌کمپ کامل بینایی کامپیوتری با PyTorch و تنسورفلو

آنچه یاد خواهید گرفت:

• تسلط به مفاهیم CNN از پایه تا پیشرفته با تنسورفلو و PyTorch
• یادگیری مدل‌های تشخیص آبجکت مانند YOLO و Faster R-CNN
• پیاده‌سازی پروژه‌های واقعی بینایی کامپیوتری به صورت گام‌به‌گام
• کسب تجربه عملی در پیش‌پردازش و افزایش داده‌
• ساخت مدل‌های CNN سفارشی برای تسک‌های مختلف بینایی کامپیوتری
• تسلط به یادگیری انتقالی با استفاده از مدل‌های از پیش‌ آموزش‌ دیده مانند ResNet و VGG
• کسب مهارت‌های عملی با کتابخانه‌های تنسورفلو و PyTorch

پیش‌نیازهای دوره

• درک اولیه از برنامه‌نویسی پایتون
• آشنایی با مفاهیم اساسی یادگیری ماشین
• دانش اولیه در جبر خطی و حساب دیفرانسیل و انتگرال
• درک داده‌ تصویری و ساختار آنها
• علاقه‌مندی به یادگیری بینایی کامپیوتری با پروژه‌های عملی

توضیحات دوره

در این دوره جامع، شما مفاهیم پایه و پیشرفته بینایی کامپیوتری، با تمرکز بر شبکه‌های عصبی کانولوشن (CNN) و مدل‌های تشخیص آبجکت با استفاده از تنسورفلو و PyTorch را یاد خواهید گرفت. این دوره طراحی شده تا مهارت‌های لازم برای ساخت اپلیکیشن‌های قدرتمند بینایی کامپیوتری از ابتدا را به شما بیاموزد.

آنچه یاد خواهید گرفت:

در طول دوره مهارت‌های زیر را کسب خواهید کرد:

آشنایی با بینایی کامپیوتری

• درک داده‌ تصویری و ساختار آنها
• بررسی مقادیر پیکسل، کانال‌ها و فضای رنگ‌ها
• یادگیری درباره OpenCV برای دستکاری و پیش‌پردازش تصویر

اصول یادگیری عمیق برای بینایی کامپیوتری

• آشنایی با شبکه‌های عصبی و مفاهیم یادگیری عمیق
• درک پس‌انتشار و گرادیان کاهشی
• مفاهیم کلیدی مانند توابع فعال‌سازی، توابع هزینه و تکنیک‌های بهینه‌سازی

شبکه‌های عصبی کانولوشن (CNN)

• آشنایی با معماری CNN و کامپوننت‌های آن
• درک لایه‌های کانولوشن، لایه‌های pooling، و لایه‌های کاملا متصل
• پیاده‌سازی مدل‌های CNN با استفاده از تنسورفلو و PyTorch

افزایش و پیش‌پردازش داده‌ 

• تکنیک‌هایی برای بهبود عملکرد مدل از طریق افزایش داده‌
• استفاده از کتابخانه‌هایی مانند imgaug و Albumentations و پایپ‌لاین داده تنسورفلو 

یادگیری انتقالی در بینایی کامپیوتری

• استفاده از مدل‌های از پیش‌ آموزش‌ دیده مانند ResNet و VGG و EfficientNet
• تیونینگ دقیق و بهینه‌سازی مدل‌های یادگیری انتقالی

مدل‌های تشخیص آبجکت

• بررسی الگوریتم‌های تشخیص آبجکت مانند:
  • YOLO (فقط یکبار خواهید دید.)
  • SSD (MultiBox Detector تک شات)
  • R-CNN سریع‌تر
• پیاده‌سازی این مدل‌ها با تنسورفلو و PyTorch

تکنیک‌های بخش‌بندی تصویر

• درک سمانتیک و بخش‌بندی نمونه
• پیاده‌سازی مدل‌های U-Net و Mask R-CNN

پروژه‌ها و کاربردهای واقعی

• ساخت پروژه‌های عملی بینایی کامپیوتری مانند:
  • سیستم تشخیص و شناسایی چهره
  • تشخیص آبجکت در بلادرنگ با یکپارچه‌سازی وبکم
  • پایپ‌لاین‌های دسته‌بندی تصویر با استقرار

چه کسانی باید در این دوره شرکت کنند؟

• افرادی که تازه وارد حوزه بینایی کامپیوتری شده‌اند.
• دانشمندان داده و مهندسان یادگیری ماشین که می‌خواهند مجموعه مهارت‌های خود را گسترش دهند.
• کارشناسان هوش مصنوعی که قصد دارند به مدل‌های تشخیص آبجکت مسلط شوند.
• پژوهشگران و دانشجویانی که به دنبال یادگیری تکنیک‌های بینایی کامپیوتری برای پروژه‌های علمی هستند.
• متخصصان که به دنبال تجربه عملی در استقرار مدل‌های CV هستند.

پیش‌نیازهای دوره